（1）小目标在图像中所占像素很少，经过多层卷积之后提取得到的特不明显，为了改善 YOLOv3 的小目标特征提取性能，通过将原网络模型中经 2 倍降采样的特征图进行卷积分别叠加到第二及第三个残差块的输入端，以此增强浅层特征信息。同时，在第一个 8 倍降采样的特征图后连接 RFB 模块，增强特征提取能力。 (2) 原网络中采用多次步长为 2 卷积操作代替池化层来进行特征图的下采样操作，降低了特征的传递能力。为此，本文借鉴 Dense Net 的思想，采用密集连接的方式将浅层特征图直接传输到深层同尺度卷积层的输入端。这样不仅能增强浅层特征重用能力，而且还可以有效缓解梯度消失问题。 (3) 提出了基于泛化 Io U 的回归损失函数代替原回归损失函数。通过在损失函数中加入锚框与真实框中心点距离相关以及预测框与真实框面积相关的两个惩罚项，使预测框的定位更加准确；并同时解决了两框无交集时的梯度消失的问题。本文基于以上三点改进分别在 PASVAL VOC 数据集和 VEDAI 数据集上与原网络进行对 比实验。训练过程中，在训练批次相同的条件下训练时长相当。实验结果表明，上述三点同时作用于原 YOLOv3 网络时，在小目标检测上具有更低的漏检率，定位更加准确，且检测速度相仿。